6.2 KiB
课题组逐院系 · 完备性重做 · 贝尔法斯特女王大学（Queen's University Belfast）· qub.ac.uk
前一轮 29 组 / 16 个 School = 1.8，明显低于基准。 · Manager 2026-09-23
0. 为什么全部重做（实测数据）
用户裁定：所有学校都要补一遍。
依据：5 所已按完备性重做的学校，数字对比 ——
| 学校 | 重做前 | 重做后 | 倍数 |
|---|---|---|---|
| 爱丁堡 | 22 | 643 | 29× |
| 曼彻斯特 | 未开始 | 268（32 院系） | — |
| 伯明翰 | 32 | 258（未取页=0） | 8× |
| 圣安德鲁斯 | 34 | 178 | 5× |
| 西澳 | 0 | 154（组/系 7.0） | — |
⇒ "逐院系枚举不全"是系统性的，不是个别学校。没重做的数都不可信。
先读：/Users/jun/Codes/prodream/.worklogs/groups-dept/ 下
REPORT.md（布里斯托切片）· finding_edinburgh_v2.md（完备性标杆，照它的做法）。
1. 本波只做这一所：**贝尔法斯特女王大学（Queen's University Belfast）· qub.ac.uk
前一轮 29 组 / 16 个 School = 1.8，明显低于基准。**
2. 完备性门槛（硬门槛，不是"尽量"）
2.1 必交台账（缺一行就是没做完）
| 院系（该校全部） | research 入口 URL | 状态 | 组数 |
|---|---|---|---|
| … | … | 取到 / 取不到：<原因> |
N |
- 院系清单 = 该校全部（从官方 faculties/schools/departments 导航 + Sub-units A-Z 拿）
- 给出枚举来源 URL 与总数
未取页 = 0：要么取到，要么有"取不到"的证据（404 / 重定向 / 空壳 / 反爬）
2.2 子域 / 外站必须跟
爱丁堡实测跟了 117 个子域 + 39 个外站 —— 不跟就整块漏。 给出你找到并跟过的子域/外站清单。
2.3 合理性校验
组数 ÷ 枚举到的院系数。基准：伦敦布里斯托 ≈5.8 / 爱丁堡 ≈25.7（因校而异，不比大小，只看是否荒谬地低）。
比值明显偏低 ⇒ 往下挖一层：该校院系是不是把研究组织成 theme/centre（大一级，不收）， 而底下挂着更细的具名组（尤其留意 "each led by a Principal Investigator" 这类 PI-group 目录 —— 爱丁堡漏掉的就是四个 PI 目录，其中一个就有 140 条）。 确认"再下一层没有组"必须贴原文结构作证。
3. ⚡ 效率：启发式自动抽 + 抽样核 30 条（用户明确要求，不要迂腐）
用户原话：
「不需要你六百多条逐页核实呀…你随便抽样一小部分，确认它是 OK 的，那就可以用了呗。 你肯定要去找这种最高效的方式啊。启发式的方式。」
第一步：启发式自动抽（全量，不逐页判）
机械判据批抽：有独立页面 + 页面里有具名的人（title 含 Prof/Dr 或 person 链接）
- 有方向文字块 + 名字不是「索引页/课程/项目/学生群体/讲座系列」。
自述含
federation/N academics/ 校级研究所 ⇒ 标big；标big页面里点名的内层组再收一层。
第二步：随机抽 30 条逐条开页面核（这是质量证据）
给：准确率 · 假的那几条属于哪一类（附页面原文）· 该类型能否定点修掉
第三步：二选一
- 准确率 ≥90% 且假阳性类型集中 ⇒ 定点修那一类，全量直接用。抽样 30 条写进报告当证据。 不要再逐页核。
- 假阳性散、类型不集中 ⇒ 才扩大抽样
省下的时间全部用来把院系覆盖做全 —— 那才是真正的缺口。
4. 判据（不变）
打开页面像人一样看：这是不是一个「导师带的做研究的团队」？ 粒度上限 = 一个导师能带的规模。 大一级（institute/theme/cluster/校级研究所）不收； 但大一级下面挂着真组时，只收内层组。
不是组：服务设施 · 研讨会系列 · 项目 · 学生培养计划 · 单项研究 · 空页重定向 · 无负责人的方向页。 共性是页面上有一句「非团队自述」——你去看那句话。
五字段
| # | 字段 | 取法 |
|---|---|---|
| 1 | 课题组名称 | 该组自己页面的 H1 |
| 2 | 所在大学及研究中心 | 大学 + 真实上级研究单位；⚠️ 上级是系/院/学部的不许当研究中心写，没有真上级就只写大学 |
| 3 | 研究方向 | 该组页上的方向文字。没有 ⇒ 不要 |
| 4 | 联系邮箱 | 只接受本组页 / 本组负责人页的邮箱 |
| 5 | 最近五年论文数 | 一律 null |
5. ⚠️ 并行安全（前面出过事故）
上一波 5 个 worker 挤在同一个 Space 的同一个 page 上，297 页里出现跨校串页，整批作废。
你必须：
- 自己新建一个 TaskSpace（不要复用别人已有的）
- 每个 URL 用独占的新 page（
newPage()），不要共用 p1 - 每取一页后校验
page.url()与目标一致；不一致 ⇒ 该页作废重取 - 成功时收尾调一次
await task.finish({ keep: [] })；因错误停止就别调，把spaceId报上来
6. 交付
- 完备性台账（全部院系）+ 枚举来源 URL 与院系数
- 子域/外站清单
- 全量候选产物（五字段，启发式抽的）
- 抽样 30 条逐条判定表 + 准确率 + 假阳性类型与定点修法
- 反例 / 判不准 / 未验清单（附页面原文）
- 一句话：最终组数？完备性有没有缺口？
产物写到 .worklogs/groups-dept/，按 school-slug 命名（加 _v2 后缀避免覆盖旧的）。
7. 硬要求
- 只读：只写产物到
.worklogs/groups-dept/。不写索引、不改业务代码、不动数据。 - 不设时间盒，做完整为止。 但每做完一个院系报一次
status（三句话）。 - 判据来自页面。你的眼睛比任何正则都准。
- 不许发明：抓不到 ⇒ 写「未验」+ 卡点（URL、错误原文）。判不准的贴出来。
- 只做这一所学校。
8. 边界
- 不碰 prodream_backend、不碰 FE、不碰
.worklogs/groups-rebuild/与groups-verify/。